An explainable machine learning model integrating multidimensional clinical information for early identification and probability stratification of Non-ST-Segment Elevation Myocardial Infarction

Todos os anos, milhões de pessoas correm para as salas de emergência com dor no peito, um sintoma que sinaliza um potencial ataque cardíaco. Os médicos enfrentam um quebra-cabeça difícil: distinguir entre um ataque cardíaco onde o músculo cardíaco está morrendo ativamente e uma condição chamada angina instável, onde o coração está faminto por oxigênio, mas o músculo ainda não sofreu danos permanentes. A ferramenta padrão para este trabalho é um exame de sangue que mede uma proteína chamada troponina I cardíaca de alta sensibilidade. Quando as células cardíacas são danificadas, elas liberam essa proteína na corrente sanguínea. Embora este teste seja excelente para detectar danos graves, ele frequentemente deixa os médicos em uma zona cinzenta quando os níveis estão apenas ligeiramente elevados. Nesses momentos de incerteza, a proteína sozinha nem sempre consegue dizer se o paciente está tendo um ataque cardíaco pleno ou apenas uma dor no peito severa, tornando difícil decidir quem precisa de tratamento imediato e agressivo e quem pode ser monitorado mais de perto.

Uma equipe de pesquisadores do Hospital Beijing Jishuitan desenvolveu uma nova maneira de navegar por essa incerteza. Eles criaram um modelo computacional que atua como um assistente altamente treinado, olhando não apenas para o teste de proteína único, mas para uma ampla gama de exames de sangue de rotina e o histórico do paciente, tudo ao mesmo tempo. Ao alimentar o computador com informações sobre inflamação, coagulação sanguínea, função renal e o tempo de início dos sintomas, juntamente com o teste de proteína padrão, o modelo aprende a detectar padrões sutis que o olho humano poderia perder. O objetivo não era substituir o médico, mas fornecer uma probabilidade mais clara e personalizada de um ataque cardíaco, transformando um palpite vago em um risco calculado que possa guiar decisões que salvam vidas.

Os pesquisadores começaram reunindo dados de quase 3.700 pacientes que foram admitidos em seu hospital entre 2021 e 2025 com suspeitas de problemas cardíacos. Eles revisaram cuidadosamente os registros médicos de cada pessoa, separando-as em dois grupos: aqueles que foram finalmente diagnosticados com um infarto do miocárdio sem elevação do segmento ST, o tipo específico de ataque cardíaco que queriam identificar, e aqueles que tinham angina instável. De uma lista massiva de 124 pistas possíveis encontradas nos registros dos pacientes, a equipe utilizou um processo de seleção sofisticado para encontrar as 16 informações mais úteis. Estas incluíam o teste de proteína padrão, mas também marcadores de inflamação, açúcar no sangue, saúde renal e há quanto tempo o paciente sentia dor antes de chegar ao hospital.

Eles então treinaram um algoritmo computacional, um tipo de sistema de aprendizado de máquina conhecido como árvore de decisão de reforço de gradiente (gradient boosting decision tree), para aprender a diferença entre os dois grupos. Este sistema funciona construindo uma série de regras de decisão simples que, quando combinadas, criam um preditor poderoso. O computador foi testado em um grupo de pacientes que nunca havia visto antes para garantir que pudesse lidar com situações do mundo real. Os resultados mostraram que o modelo foi notavelmente preciso, identificando corretamente a vasta maioria dos casos de ataque cardíaco. Mais importante ainda, quando os pesquisadores compararam seu novo modelo com o método padrão de usar apenas o teste de proteína, descobriram que a nova abordagem era significamente melhor em estimar o risco real para cada paciente individual. O modelo reduziu o número de erros de previsão e foi muito melhor em reclassificar os pacientes nos grupos de risco corretos, garantindo que menos pessoas com ataques cardíacos fossem negligenciadas.

Um dos aspectos mais valiosos deste trabalho é que o modelo é explicável. Ao contrário de muitos sistemas computacionais que agem como uma "caixa preta", dando uma resposta sem dizer o porquê, este modelo pode mostrar exatamente quais fatores empurraram a previsão para um lado ou para o outro. Os pesquisadores utilizaram um método para visualizar como o computador ponderou cada peça de informação. Eles descobriram que, embora o teste de proteína continuasse sendo a pista mais importante, os outros fatores desempenhavam um papel crucial no refinamento da resposta. Por exemplo, se um paciente tivesse um nível de proteína ligeiramente elevado, o computador olharia para seus marcadores de inflamação e função renal para decidir se essa leve elevação era um sinal de um ataque cardíaco sério ou apenas um problema menor. O modelo aprendeu que a importância dessas pistas extras mudava dependendo de quão alto era o nível da proteína. Em casos onde a proteína estava apenas ligeiramente alta, os outros exames de sangue tornavam-se muito mais críticos para tomar a decisão correta.

Para tornar esta ferramenta útil para os médicos, a equipe construiu uma calculadora online simples. Um médico pode inserir os 16 números de rotina do exame de sangue e do histórico do paciente, e o sistema gera instantaneamente uma pontuação de probabilidade. Ele então divide essa pontuação em três categorias claras: risco baixo, risco intermediário e risco alto. Para pacientes no grupo de baixo risco, o modelo sugere uma chance muito baixa de um ataque cardíaco, potencialmente permitindo uma alta mais rápida ou um monitoramento menos intensivo. Para aqueles no grupo de alto risco, a probabilidade é tão alta que apoia um tratamento imediato e agressivo. O grupo do meio, que representa uma parcela significativa dos pacientes, é sinalizado para observação mais próxima e testes adicionais, reconhecendo que a resposta ainda não está clara. Esta abordagem ajuda os médicos a se afastarem de um diagnóstico simples de sim ou não e, em vez disso, fornece uma visão matizada de risco que corresponde à complexidade do corpo humano.

O estudo sugere que, ao combinar o teste de proteína padrão com uma visão ampla da saúde geral do paciente, os médicos podem tomar decisões mais precisas e precoces na sala de emergência. O modelo não pretende ser um cristal perfeito; é uma ferramenta projetada para apoiar o julgamento clínico, não para substituí-lo. Os pesquisadores enfatizam que seu trabalho é baseado em dados de um único hospital e que o modelo precisa ser testado em outros ambientes para confirmar sua confiabilidade em diferentes populações. No entanto, as descobertas oferecem um caminho promissor, mostrando que o futuro do diagnóstico de ataque cardíaco pode residir na capacidade de sintetizar muitas peças pequenas e rotineiras de informação em uma única imagem clara do risco do paciente.